Mẫu Bắt Đầu Phiên

Mỗi phiên LLM agent nên tuân theo trình tự khởi động chuẩn này. Bỏ qua bước dẫn đến mất ngữ cảnh, bỏ sót tin nhắn và quên tác vụ.

Mẫu

1. Recall all memories
2. Poll for unread chat messages
3. Check in-progress tasks
4. Build context from results
5. Process pending items before new work

Triển khai

Bước 1: Thu hồi tất cả bộ nhớ

curl -H "Authorization: Bearer YOUR_MIND_KEY" \
     https://synapse.schaefer.zone/memory/recall

Trả về tóm tắt văn bản thuần của tất cả bộ nhớ, sắp xếp theo ưu tiên.

Bước 2: Poll tin nhắn chat chưa đọc

curl -H "Authorization: Bearer YOUR_MIND_KEY" \
     https://synapse.schaefer.zone/chat/poll

Trả về tin nhắn chưa đọc từ con người. Tự động đánh dấu là đã đọc.

Bước 3: Kiểm tra tác vụ đang tiến hành

curl -H "Authorization: Bearer YOUR_MIND_KEY" \
     "https://synapse.schaefer.zone/mind/tasks?status=in_progress"

Trả về tác vụ bạn đang làm phiên trước.

Bước 4: Xây dựng ngữ cảnh

Kết hợp ba phản hồi vào system prompt của bạn:

def build_context(memories, messages, tasks):
    context = f"""# SESSION CONTEXT

## Memories (from previous sessions)
{memories}

## Unread Messages from Human
{format_messages(messages)}

## Active Tasks
{format_tasks(tasks)}

## Instructions
- Address unread messages first
- Resume active tasks before starting new work
- Store new learnings as they happen (POST /memory)
- Poll for new messages every 30-60 seconds
"""
    return context

Bước 5: Xử lý mục đang chờ

For each unread message:
  - Acknowledge receipt (POST /chat/reply)
  - Address the message content
  - Store any new commitments as memories

For each in-progress task:
  - Recall why you were working on it
  - Continue from where you left off
  - Update task status as you progress

Ví dụ hoàn chỉnh

import os
import requests

URL = "https://synapse.schaefer.zone"
KEY = os.environ["SYNAPSE_MIND_KEY"]

def session_start():
    """Canonical session start sequence."""
    headers = {"Authorization": f"Bearer {KEY}"}
    
    # 1. Recall memories
    r = requests.get(f"{URL}/memory/recall", headers=headers)
    memories = r.text
    
    # 2. Poll chat
    r = requests.get(f"{URL}/chat/poll", headers=headers)
    messages = r.json().get("messages", [])
    
    # 3. Check tasks
    r = requests.get(f"{URL}/mind/tasks?status=in_progress", headers=headers)
    tasks = r.json().get("tasks", [])
    
    # 4. Build context
    context = f"""You are a Synapse-enabled AI assistant.

MEMORIES FROM PREVIOUS SESSIONS:
{memories}

UNREAD MESSAGES FROM HUMAN:
{chr(10).join(f'- {m["content"]}' for m in messages) or 'None'}

ACTIVE TASKS:
{chr(10).join(f'- [{t["id"]}] {t["title"]}: {t.get("description", "")}' for t in tasks) or 'None'}

INSTRUCTIONS:
1. Acknowledge each unread message
2. Resume active tasks
3. Store new learnings via POST /memory
4. Poll /chat/poll every 30-60 seconds
"""
    return context

# At session start
system_prompt = session_start()
# Pass to LLM...

Sai lầm phổ biến

Biến thể

Mẫu tối thiểu (LLM ngữ cảnh thấp)

Cho LLM với cửa sổ ngữ cảnh nhỏ, bỏ qua thu hồi đầy đủ:

# Just get stats, not full content
curl -H "Authorization: Bearer $KEY" .../memory/stats

Sau đó tìm các chủ đề cụ thể khi cần:

curl -H "Authorization: Bearer $KEY" ".../memory/search?q=current+project"

Mẫu tích cực (agent chạy dài)

Cho agent chạy trong nhiều giờ, thêm thu hồi lại định kỳ:

while working:
    if time.time() - last_recall > 3600:  # every hour
        memories = recall()
        last_recall = time.time()
    # ... do work ...

Bước tiếp theo

• Chiến lược gắn tag bộ nhớ
• Quy trình điều khiển bởi tác vụ
• Mẫu Polling Chat